基于模式识别的复杂场景下的温度矫正方法与流程

本发明涉及红外温度检测技术领域，特别涉及一种基于模式识别的复杂场景下的温度矫正方法。

背景技术：

随着红外技术的发展，红外测温目前具有广泛的应用空间，作为一种非接触式的测温技术，具有测温范围广、准确度高、可实现实时观测等优点。但是红外测温的精度受到诸多外界因素的影响，主要有：目标物与测温设备的距离、被测物体表面的发射率、外界环境(大气透射率、大气发射率、背景温度和环境湿度)等。发射率是描述物体热辐射特性的重要参数，材料表面发射率的数值为材料单位面积的辐射功率与同一温度下绝对黑体单位面积的辐射功率之比，表征实际物体辐射能力接近黑体辐射的程度。在辐射测温技术中，发射率是获得目标温度必须已知的唯一参数，也是影响目前辐射测温准确性的瓶颈。因此在进行物体温度测量的过程中，必须明确目标物体的发射系数，如果物体的发射率较低，测量得到的辐射温度将会与实际温度产生较大差异。目前对物体发射率的测量已经提出很多方法，生活中常见材料的发射率基本已经有了比较准确的测量值作为参考，当固定测量单一物体时，可根据该物体的已知发射率对红外测温的结果进行校正。

目前，红外测温经常用在目标单一的情况下，例如在电力系统的应用中，经过测试，电力设备的发射率一般为0.85-0.95，所以对电力测温的红外测温仪发射率一般固定在0.95。但是红外测温应用在复杂场景时，该测温场景出现的不再是固定的单一物体，当测温场景中有多个种类的目标物体时，如可能有人、动物、汽车等，由于不同材料的表面发射率不同，无法对测温系统设定一个标准的适用于所有目标物体的发射率。

技术实现要素：

有鉴于此，本发明提出了一种基于模式识别的复杂场景下的温度矫正方法，主要通过识别出该场景下出现的目标物体的类别，够根据不同物体的发射率，实时校正输出该物体的温度，提高了复杂场景下红外测温的精度。

一种基于模式识别的复杂场景下的温度矫正方法，包括：

根据测温场景，统计会出现在所述测温场景下的所有目标物体；

获取所述目标物体对应的发射率，并进行存储；

收集所述测温场景的红外图像样本，并进行标记、处理、归类；

提取所述红外图像样本中目标物体特征，搭建基于空间金字塔池化的卷积神经网络的红外图像目标物体识别学习模型，对红外图像中的目标物体进行分类识别；

根据所述红外图像目标物体识别学习模型，识别待检测场景下出现的目标物体类别；

获取所述待检测场景下出现的目标物体类别对应的发射率；

根据所述待检测场景下出现的目标物体类别对应的发射率对其温度进行校正。

进一步的，所述获取所述目标物体对应的发射率，具体为：通过查询或根据场景中的目标物体进行测量。

进一步的，所述处收集所述测温场景的红外图像样本，并进行标记、处理、归类中，所述处理包括：抑制红外图像中的背景信息，突出目标物体的细节信息。

进一步的，所述提取所述红外图像样本中目标物体特征，搭建基于空间金字塔池化的卷积神经网络的红外图像目标物体识别学习模型，具体为：

将整张红外图像样本输入卷积神经网络中，进行一次性特征提取，得到特征图谱；

在特征图谱中确定各候选框区域；

对各候选框采用金字塔空间池化，提取固定长度的特征向量；

采用支持向量机算法进行特征向量分类识别。

进一步的，所述在特征图谱中确定各候选框区域，具体为：通过如下转换关系实现：

(x,y)＝(s×x’,s×y’)；其中(x’,y’)表示特征图谱上的坐标点，(x,y)表示输入的整张红外图像样本上的点，s为卷积神经网络中所有不长的乘积。

进一步的，根据所述待检测场景下出现的目标物体类别对应的发射率对其温度进行校正，具体为：

根据红外辐射测温定律得到目标物体的真实温度计算公式为：

其中ε为目标物体的实际发射率，ε’为红外测温仪设定的发射率，设定为1，t1为目标物体的真实温度，t2为红外测温仪测量的温度。

本发明的优势在于，通过深度学习，识别出某一复杂场景出现的目标物体类别，并进行定位，根据不同的类别对应不同发射率，对其进行温度矫正。首先spp-net将空间金字塔的思想加入到卷积神经网络中，实现了数据的多尺度输入，解决了卷积神经网络在数据预处理时造成数据丢失或者失真的问题；并且spp-net只对原图进行一次特征提取得到整张图片的特征图谱，节省了大量的计算时间。本发明选择spp-net进行目标物体的识别和定位，结果的精度和计算速度都得到了一定程度的保证。其次，基于实时场景下出现的每个目标物体，通过红外测温进行准确的温度输出还存在很多困难，因为红外测温的精度和很多因素有关系，本发明通过模式识别准确找出场景中出现的目标物体类别和位置，根据目标的类别进行发射率的校正，从而输出了更加准确的温度。

本发明提出一种基于模式识别的复杂场景下的温度矫正方法，包括：根据测温场景，统计会出现在所述测温场景下的所有目标物体；获取所述目标物体对应的发射率，并进行存储；搭建红外图像目标物体识别学习模型，使其能够自动识别场景下的不同物体所对应的名称及其发射率；根据红外图像目标物体识别学习模型，识别待检测场景下出现的目标物体类别；获取所述待检测场景下出现的目标物体类别对应的发射率；根据所述待检测场景下出现的目标物体类别对应的发射率对其温度进行校正。通过本发明的方法能够实现在复杂场景下，根据不同物体的发射率实时校正输出该物体的温度。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于模式识别的复杂场景下的温度矫正方法实施例流程图；

图2为本发明基于空间金字塔池化的卷积神经网络的红外图像目标物体识别学习模型的搭建示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明中技术方案作进一步详细的说明。

本发明提出一种基于模式识别的复杂场景下的温度矫正方法，如图1所示，包括：

s101：根据测温场景，统计会出现在所述测温场景下的所有目标物体；

s102：获取所述目标物体对应的发射率，并进行存储；

上述步骤主要是获取各目标物体的发射率；

s103：收集所述测温场景的红外图像样本，并进行标记、处理、归类；

s104：提取所述红外图像样本中目标物体特征，搭建基于空间金字塔池化的卷积神经网络的红外图像目标物体识别学习模型，对红外图像中的目标物体进行分类识别；

s105：根据所述红外图像目标物体识别学习模型，识别待检测场景下出现的目标物体类别；

上述步骤主要针对红外图像目标物体识别学习模型的搭建，提取目标物体特征进行学习，使得能够自动识别场景下的不同物体对应类别及对应发射率；

s106：获取所述待检测场景下出现的目标物体类别对应的发射率；

s107：根据所述待检测场景下出现的目标物体类别对应的发射率对其温度进行校正。

进一步的，所述获取所述目标物体对应的发射率，具体为：通过查询或根据场景中的目标物体进行测量。

根据场景中的目标物体进行测量方法主要为：

将红外测温仪或红外热像仪的发射率调整为1；将被测物保持为恒温状态；用标准的接触式测温仪测出当前的标准值温度；用红外测温仪或红外热像仪测出当前的实测值温度(注意检测点尽可能一致)；将两组数据带入公式：发射率＝实测值\标准值，进行计算得出发射率。

进一步的，所述处收集所述测温场景的红外图像样本，并进行标记、处理、归类中，所述处理包括：抑制红外图像中的背景信息，突出目标物体的细节信息。

对样本的归类，主要是在训练过程中，将样本分为训练样本、测试样本及校验样本，用于对模型的训练，提高其准确率。

进一步的，所述提取所述红外图像样本中目标物体特征，搭建基于空间金字塔池化的卷积神经网络(spp-net)的红外图像目标物体识别学习模型，具体为：

将整张红外图像样本输入卷积神经网络中，进行一次性特征提取，得到特征图谱；

在特征图谱中确定各候选框区域；

对各候选框采用金字塔空间池化，提取固定长度的特征向量；

采用支持向量机算法进行特征向量分类识别。

图2为基于空间金字塔池化的卷积神经网络的红外图像目标物体识别学习模型的搭建流程示意图。

选择spp-net的原因：首先spp-net将空间金字塔的思想加入到卷积神经网络中，实现了数据的多尺度输入，解决了卷积神经网络在数据预处理时造成数据丢失或者失真的问题；其次spp-net只对原图进行一次特征图谱的提取，节省了大量的计算时间。

由于传统的目标识别算法是对图片的多个区域进行卷积得到多个特征，因此在卷积的过程中已经得到对应原图区域的位置信息，但是ssp-net是通过对图片进行一次运算提取出整张图片的特征图谱，因此我们需要在原始图片上寻找对应的区域；

因此进一步的，所述在特征图谱中确定各候选框区域，具体为：通过如下转换关系实现：

(x,y)＝(s×x’,s×y’)；其中(x’,y’)表示特征图谱上的坐标点，(x,y)表示输入的整张红外图像样本上的点，s为卷积神经网络中所有不长的乘积。

进一步的，根据所述待检测场景下出现的目标物体类别对应的发射率对其温度进行校正，具体为：

根据红外辐射测温定律得到目标物体的真实温度计算公式为：

其中ε为目标物体的实际发射率，ε’为红外测温仪设定的发射率，由于目标物体种类个数大于一，因此将红外测温仪的发射率设定为1，t1为目标物体的真实温度，t2为红外测温仪测量的温度。

本发明的优势在于，通过深度学习，识别出某一复杂场景出现的目标物体类别，并进行定位，根据不同的类别对应不同发射率，对其进行温度矫正。首先spp-net将空间金字塔的思想加入到卷积神经网络中，实现了数据的多尺度输入，解决了卷积神经网络在数据预处理时造成数据丢失或者失真的问题；并且spp-net只对原图进行一次特征提取得到整张图片的特征图谱，节省了大量的计算时间。本发明选择spp-net进行目标物体的识别和定位，结果的精度和计算速度都得到了一定程度的保证。其次，基于实时场景下出现的每个目标物体，通过红外测温进行准确的温度输出还存在很多困难，因为红外测温的精度和很多因素有关系，本发明通过模式识别准确找出场景中出现的目标物体类别和位置，根据目标的类别进行发射率的校正，从而输出了更加准确的温度。

本发明提出一种基于模式识别的复杂场景下的温度矫正方法，包括：根据测温场景，统计会出现在所述测温场景下的所有目标物体；获取所述目标物体对应的发射率，并进行存储；搭建红外图像目标物体识别学习模型，使其能够自动识别场景下的不同物体所对应的名称及其发射率；根据红外图像目标物体识别学习模型，识别待检测场景下出现的目标物体类别；获取所述待检测场景下出现的目标物体类别对应的发射率；根据所述待检测场景下出现的目标物体类别对应的发射率对其温度进行校正。通过本发明的方法能够实现在复杂场景下，根据不同物体的发射率实时校正输出该物体的温度。

虽然通过实施例描绘了本发明，本领域普通技术人员知道，本发明有许多变形和变化而不脱离本发明的精神，希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。